c_0934的博客

pytorch知识点小笔记

本文框架：一、自动评估Keras可将数据集的一部分分成评估数据集，并在每个epoch中使用该评估数据集对模型进行评估。在实现上，可以通过将fit()函数的验证分割函数(validation_split)设置为数据集大小的百分比来实现。二、手动评估1.手动分离数据集并评估Keras允许手动指定在训练期间进行验证的数据集。2.K折交叉验证机器学习评估模型的黄金 标准是K折交叉验证，但是太耗资源了。它提供了模型对未知数据性能的可靠估计。主要思路是：K折交叉验证的过程是将数据集分

tips:作为知识漏洞，自己记录下笔记！表示：为了提高机器学习系统的准确率，我们就需要将输入信息转换为有效的特征。表示学习：如果有一种算法可以自动地学习出有效的特征，并提高最终机器学习模型的性能，那么这种学习就可以叫作表示学习（Representation Learning）．（1）表示学习的关键是解决语义鸿沟（Semantic Gap）问题．语义鸿沟问题是指输入数据的底层特征和高层语义信息之间的不一致性和差异性．比如：给定一些关于“车”的图片，由于图片中每辆车的颜色和形状

model = build_model看下是不是创建模型的时候写成这个了正确如下model = build_model()哈哈哈 有用点个赞！

（1）LSTM共享权值。(2) LSTM中其实只有一个lstm cell,只是在不同时序，让它看起来好像很多个celll。一个epoch训练结束，权值W就会更新。(3)num_units就是这个层的隐藏神经元个数这里分享一个例子（来自知乎答主会一点点NLP）：[hiden_feature*(hiden_feature+feature_dim)+bias] *4=[10*(10+5)+10]*4=160*4 =640...